-
公开(公告)号：CN111276242A
公开(公告)日：2020-06-12
申请号：CN202010067550.0
申请日：2020-01-20
Applicant: 吉林大学
Abstract: 本发明公开了一种针对医院重症监护室患者疾病诊断与病情状态评估建模方法，该方法通过利用医疗临床数据具体为测量数据与给药数据，将疾病诊断与死亡风险评估进行统一建模。该模型是一个多任务学习模型，将每一种疾病看作是模型的一个子任务来学习。在技术层面，该模型采用注意力机制和窗口对齐操作来提高预测性能，并使用焦点损失来解决数据不平衡问题。在数据来源方面，该模型使用临床测量和临床治疗的电子档案信息进行实时建模，以便更好的应用于临床场景与临床实践当中。该方法极大的简化疾病诊断模型的开发周期与费用，而且可以在诊断疾病的同时给出病人的严重程度评估结果，方便医生实施进一步的治疗操作。
-
公开(公告)号：CN114265943B
公开(公告)日：2024-07-30
申请号：CN202111599289.X
申请日：2021-12-24
Applicant: 吉林大学
Abstract: 本发明涉及一种种因果关系事件对提取方法及系统，方法包括：获取训练集D；构建语言模型；采用所述训练集对所述语言模型进行训练，得到环境模型；构建对抗模型；采用所述对抗模型对所述训练集中的数据进行数据增强；利用增强后的数据同时对所述环境模型进行训练，得到训练后的环境模型；将待提取的数据输入到所述训练后的环境模型中，得到因果关系事件对；所述因果事件对包括：原因事件和结果事件。本发明中的上述方法对句子中的词进行合理的删除以构造出提升模型表现的数据，利用大型预训练的语料以及对抗攻击的数据增强，小规模语料上获得更好的因果事件抽取效果。
-
公开(公告)号：CN112463970B
公开(公告)日：2022-11-22
申请号：CN202011489612.3
申请日：2020-12-16
Applicant: 吉林大学
Abstract: 本发明公开了一种基于时间关系对文本包含的因果关系进行抽取的方法，包括：构建基于时间关系的Bi‑LSTM+GCN网络模型；将待输入的文本中的单词输入到Bi‑LSTM网络获得文本中单词的特征；将文本中单词的时间关系转化成时间关系特征矩阵输入到GCN网络，由GCN网络输出特征向量；将GCN网络输出特征向量输入分类器，获得因果关系的抽取结果：原因、结果和非因非果。与现有技术相比，本发明利用时间关系与因果关系的联系,本文通过将时间关系转化成特征矩阵的方式结合了Bi‑LST+GCN网络模型，并且通过实验能准确获得因果关系标注，时间关系有利于因果关系的抽取，本发明提出的基于时间关系的Bi‑LSTM+GCN模型能有效的获取因果关系。
-
公开(公告)号：CN114386513B
公开(公告)日：2025-05-02
申请号：CN202210036320.7
申请日：2022-01-13
Applicant: 吉林大学
IPC: G06F18/25 , G06F16/901 , G06F16/906 , G06N3/042 , G06N3/0464 , G06N3/08 , G06F16/9535
Abstract: 本发明涉及一种集成评论与评分的交互式评分预测方法及系统，通过构建节点属性二部图，将评分和评论等辅助信息集成到用户和商品的交互中，并利用卷积神经网络学习获得评论的隐特征，将隐特征整合到节点属性二部图中，得到特征属性二部图；然后利用属性图卷积网络分别从商品域和评论域两个方面更新特征属性二部图中的用户节点特征和商品节点特征，增强了对用户和商品特征的学习，因而根据用户特征和商品特征预测得到的评分精度更高。通过采用注意力机制实时计算特征权重，非线性地、动态地融合用户节点特征和商品节点特征，进一步提高了推荐系统预测评分的准确度。
-
公开(公告)号：CN114548112B
公开(公告)日：2025-04-29
申请号：CN202210047416.3
申请日：2022-01-17
Applicant: 吉林大学
IPC: G06F40/30 , G06F40/289 , G06N3/0442 , G06N3/049 , G06N3/084 , G06N3/0455 , G06N3/042
Abstract: 本发明提供的一种基于时间关系抽取文本因果关系的方法及系统，包括：对句子中的词之间的关系进行标注，生成关系矩阵；构建TC‑GAT模型；通过所述句子中的词和所述关系矩阵对所述TC‑GAT模型进行训练；通过训练好的TC‑GAT模型抽取所述句子的因果关系。本发明通过均衡图注意力机制和自注意力机制的图神经网络模型，提高因果关系抽取准确度的方法。
-
Patent Agency Ranking
公开(公告)号：CN114548112A
公开(公告)日：2022-05-27
申请号：CN202210047416.3
申请日：2022-01-17
Applicant: 吉林大学
IPC: G06F40/30 , G06F40/289 , G06N3/04 , G06N3/08
Abstract: 本发明提供的一种基于时间关系抽取文本因果关系的方法及系统，包括：对句子中的词之间的关系进行标注，生成关系矩阵；构建TC‑GAT模型；通过所述句子中的词和所述关系矩阵对所述TC‑GAT模型进行训练；通过训练好的TC‑GAT模型抽取所述句子的因果关系。本发明通过均衡图注意力机制和自注意力机制的图神经网络模型，提高因果关系抽取准确度的方法。
-
公开(公告)号：CN111488524B
公开(公告)日：2022-08-16
申请号：CN202010270909.4
申请日：2020-04-08
Applicant: 吉林大学
IPC: G06F16/9535 , G06N3/08
Abstract: 本发明公开了一种面向注意力的语义敏感的标签推荐方法，包括1)、使用word2vec对标签进行预训练，将带有语义的标签嵌入表示；2)、利用注意力机制将标签的嵌入表示集成到用户特征和项目特征中，对用户和商品特征的动态标签影响进行建模；3)、将用户特征和项目特征与标签信息结合起来进行预测，获得带有基于标签信息的预测结果，完成推荐。提出了一种包含标签语义信息的新模型，利用注意力机制对用户和商品特征的动态标签影响进行建模，将标签信息与用户和商品特征动态地结合起来，以提高推荐性能，并通过实验证实该方法的有效性。
-
公开(公告)号：CN114265943A
公开(公告)日：2022-04-01
申请号：CN202111599289.X
申请日：2021-12-24
Applicant: 吉林大学
Abstract: 本发明涉及一种种因果关系事件对提取方法及系统，方法包括：获取训练集D；构建语言模型；采用所述训练集对所述语言模型进行训练，得到环境模型；构建对抗模型；采用所述对抗模型对所述训练集中的数据进行数据增强；利用增强后的数据同时对所述环境模型进行训练，得到训练后的环境模型；将待提取的数据输入到所述训练后的环境模型中，得到因果关系事件对；所述因果事件对包括：原因事件和结果事件。本发明中的上述方法对句子中的词进行合理的删除以构造出提升模型表现的数据，利用大型预训练的语料以及对抗攻击的数据增强，小规模语料上获得更好的因果事件抽取效果。
-
公开(公告)号：CN111489827A
公开(公告)日：2020-08-04
申请号：CN202010277951.9
申请日：2020-04-10
Applicant: 吉林大学
IPC: G16H50/50
Abstract: 本发明公开了一种基于关联决策树的甲状腺疾病预测建模方法，提出一种关联决策树MsaDtd算法，充分利用复合特征，将原始特征空间转化为更大的疾病诊断特征空间的算法来预测PTMC患者的LNM，并且引入模糊逻辑来处理连续属性，以避免产生大量频繁项的成本，这提高了模型的鲁棒性和泛化能力。通过临床医生可以利用预测模型提供的信息，在整个治疗过程中采用特定的治疗方案，对于易发生LNM的患者，临床医生应采取针对性的干预措施，降低癌症复发的风险提供帮助。
-
公开(公告)号：CN114386513A
公开(公告)日：2022-04-22
申请号：CN202210036320.7
申请日：2022-01-13
Applicant: 吉林大学
IPC: G06K9/62 , G06F16/901 , G06F16/906 , G06N3/04 , G06N3/08 , G06F16/9535
Abstract: 本发明涉及一种集成评论与评分的交互式评分预测方法及系统，通过构建节点属性二部图，将评分和评论等辅助信息集成到用户和商品的交互中，并利用卷积神经网络学习获得评论的隐特征，将隐特征整合到节点属性二部图中，得到特征属性二部图；然后利用属性图卷积网络分别从商品域和评论域两个方面更新特征属性二部图中的用户节点特征和商品节点特征，增强了对用户和商品特征的学习，因而根据用户特征和商品特征预测得到的评分精度更高。通过采用注意力机制实时计算特征权重，非线性地、动态地融合用户节点特征和商品节点特征，进一步提高了推荐系统预测评分的准确度。
-
-
-
-
-
-
-
-
-
Search Results
12
records
(took 0.022 seconds)
